51

REVISTA Universidad EAFIT

Vol. 44. No. 150. 2008. pp. 51-63

R a l a
Aplicacin de teora de colas
en una entidad financiera: herramienta para
el mejoramiento de los procesos de atencin al cliente

Fredy Alexander Gmez Jimnez

Mster Ingeniera Administrativa (C),
Universidad Nacional de Colombia.
fagomez@unal.edu.co

Recepcin: 22 de enero de 2008 I Aceptacin: 09 de mayo de 2008

Resumen
Las entidades financieras, como empresas prestadoras de servicios,
saben que adems de ofrecer diferentes alternativas en sus portafolios
de productos y servicios para cada segmento del mercado, cobra
mucha relevancia la manera como hacen entrega de ellos a los
clientes. El diseo de las instalaciones, la calidad del personal que
est en contacto con los clientes y la confortabilidad de estos, son
algunos de dichos aspectos. El ltimo de ellos se ve en gran medida
reflejado en el tiempo transcurrido entre el momento de la solicitud
del servicio por parte del cliente y aquel en que realmente se lleva a
cabo de manera efectiva. El trabajo que aqu se presenta, muestra
la aplicacin de una herramienta de la Investigacin de Operaciones
(IO) como la teora de colas, la cual busca modelar los procesos Palabras Clave
de lneas de espera, aplicado en una entidad financiera que posee Investigacin de operaciones (IO)
problemas para la atencin de sus clientes en la agencia principal, Teora de colas
especialmente en la variable tiempo de atencin al cliente. Atencin al cliente
52 REVISTA Universidad EAFIT. Vol. 44. No. 150 | abril, mayo, junio 2008

Application of queuing theory in a financial institution:

a tool for improving customer service processes

Abstract

Financial Institutions as services providers enterprises are aware that

besides offering varied products and services portfolios aiming at every
market segment, the way such products and services are delivered
takes on relevance. Some aspects associated to delivery service include
facilities design, qualification of employees in touch with customers
and customer comfort. This latter aspect is greatly reflected in the time
elapsed between a service request by a customer and its actual delivery.
The application of queuing theory, a tool of Operations Research (OR), Key words
is presented in this paper. Such tool aims at modelling waiting lines Operations Research (OR)
processes applied to a financial institution whose main agency has Queuing Theory
problems with customer service, particularly in customer waiting time. Customer Service

Introduccin Este estudio investigativo aplicado es un claro

ejemplo de interpolacin entre los problemas
que a diario deben enfrentar las empresas y las

L
a teora de colas es un tema
perteneciente a la Investigacin de
Operaciones, encargada de proponer
modelos para el manejo eficiente
de las lneas de espera, sean estas personas,
productos, automviles, llamadas telefnicas entre
otras (Hillier & Lieberman,1997). Este trabajo fue
realizado como prctica profesional en una entidad
financiera (Confiar Cooperativa Financiera), que
presentaba problemas para el manejo de las filas
de los clientes que solicitan servicios de ahorro y
crdito en su agencia principal Primero de Mayo.
Para Confiar, igual que para todas las empresas
prestadoras de servicios, la variable clientes
satisfechos es fundamental a la hora de brindar
los productos y servicios, mxime cuando se trata
de productos intangibles, donde el ambiente que
circunda la entrega el producto o servicio es lo que
permite generar el valioso valor agregado. En este
caso, el valor agregado se basar en controlar el
tiempo de espera de atencin a un usuario.
herramientas matemticas y estadsticas diseadas
en las ciencias administrativas, las cuales se
disponen para el modelamiento y el apoyo en la
toma de decisiones complejas.
La metodologa general se bas inicialmente
en la recoleccin de datos, relacionados con
tiempos de llegada y de atencin, y el anlisis
exploratorio estadstico de los mismos para
comprobar supuestos del modelo y confiabilidad
de los datos. Posteriormente se determinaron
los parmetros necesarios para utilizar el modelo
de teora de colas y determinar las variables de
salida de inters. Finalmente se aplic un modelo
de aceptacin que permiti calcular el nmero
ptimo de promotores sin sacrificar la eficiencia de
la empresa representada en el tiempo ocioso de
los empleados.
Se pretendi conocer inicialmente el flujo de clientes
durante los das de la semana y a diferentes horas,
por medio de una caracterizacin del sistema de
servicio. Este paso fue clave para la aplicacin
 GMEZ J., F. A. | Aplicacin de Teora de Colas en una entidad financiera... 53

del modelo propuesto de la teora de colas, el cual, a travs de la

informacin obtenida en la caracterizacin, mostr el nmero ptimo
de promotores que ofreceran un tiempo determinado de espera de
los clientes con una eficiencia aceptable para la empresa.

1. Caracterizacin del Sistema Servicio

El punto de partida fue clasificar el comportamiento de los usuarios
a la llegada a la agencia, durante todos los das de la semana y las
horas hbiles del da, dependiendo de la tasa de arribo de los clientes.
Para evitar datos sesgados, los das que se tuvieron en cuenta para
la recoleccin de las muestras en la base de datos cumplieron las
siguientes caractersticas:

- Ningn martes despus de festivos. Por

experiencia se sabe que la agencia posee
un comportamiento inusual.

- Ningn da del mes de

diciembre. Este mes
requiere un estudio
paralelo dado el com-
portamiento inusual
que se presenta.

Las horas habilitadas

para el estudio fueron
aquellas en la que la agencia
permanece abierta, es decir, de lunes
a viernes de 8:00 am a 11:30 am, de 2:00
pm a 4:00 pm y de 5:00 pm. a 6:30 pm.

1.1 Arribo de los clientes a la agencia

Para examinar el comportamiento de llegada de los clientes a la

agencia, se tuvo en cuenta la condicin explicada en el apartado
anterior: se observ la conducta de la afluencia de los clientes durante
los das de la semana y a diferentes horas del da. Con respecto a los
intervalos de tiempo para un da en particular, estos fueron elegidos
a partir de un muestreo piloto y con informacin suministrada por el
personal de la agencia segn el flujo de personas que ocurra en el
transcurso del da. Se pueden resumir y clasificar as:

Intervalo I: 8:00 am 10:00 am

Intervalo II: 10:00 am 11:30 am
Intervalo III: 2:00 pm 4:00 pm
Intervalo IV: 5:00 pm 6: 30 pm
54 REVISTA Universidad EAFIT. Vol. 44. No. 150 | abril, mayo, junio 2008

La Tabla 1 permite apreciar el tiempo promedio entre llegada de los clientes (la inversa de la tasa de
llegada) para los diferentes das-horas de la semana luego de recolectar 10 muestras para cada caso. En
el eje horizontal se muestran los intervalos de horas elegidos y en el vertical los das de la semana.

Tabla 1. Tiempo entre llegada para diferente hora-da

Intervalos de horas
Das
I II III IV
Lunes 3.67 3.78 1.16 2.78
Martes 5.10 1.93 1.97 3.49
Mircoles 4.18 1.45 2.04 3.22
Jueves 4.87 3.73 2.22 4.64
Viernes 3.80 2.63 2.91 1.93

A su vez, la Figura 1 muestra grficamente los datos correspondientes a la Tabla 1. Como queda ilustrado,
no hay ningn aparente predominio de cualquiera de los das (las lneas se cruzan entre s).

Figura 1. Tiempo entre llegadas para diferente hora-da

6.00

5.00
Tiempo entre llegada

4.00

3.00

2.00

1.00

0.00

Es visible, s, una clara diferencia entre los
respectivos intervalos de hora, lo que hace pensar
que las discrepancias se presentan por la hora del
da y no por el da de la semana. El paso siguiente
se centra en realizar pruebas de hiptesis que
comparen los promedios encontrados y nos
corroboren su igualdad o diferencia.
Dado que los tiempos entre llegadas no suelen
poseer distribuciones de probabilidad normal
sino exponencial (Taha, 1995), (como de hecho
se verificar ms adelante), con el objetivo de
confirmar la sospecha enunciada, se plantea
una prueba de hiptesis no paramtrica llamada
Kruskal-Wallis, la cual compara el valor de las
 GMEZ J., F. A. | Aplicacin de Teora de Colas en una entidad financiera... 55

medias de las veinte horas-da seleccionadas diciendo si existe alguna diferencia entre ellas (Universidad
de Mlaga, 2004).

1.1.1 Prueba Kruskal-Wallis para las 20 muestras

El contraste de Kruskal-Wallis es la alternativa no paramtrica del mtodo Anova, es decir, sirve para
contrastar la hiptesis de que k muestras cuantitativas han sido obtenidas de la misma poblacin. La nica
exigencia versa sobre la aleatoriedad en la extraccin de las muestras, no haciendo referencia a ninguna
de las otras condiciones adicionales de homocedasticidad y normalidad necesarias para la aplicacin del
test paramtrico Anova.

En la Tabla 2 se presentan algunos aspectos importantes a considerar para la realizacin de la prueba.

Tabla 2. Aspectos de la prueba Kruskal-Wallis

Aspecto Valor
Factor Da-Hora de la semana
Niveles del factor 20 niveles: 5 das de la semana y 4 intervalos de tiempo = 5 x 4 = 20
Variable Respuesta Tiempo entre llegada
Tamao de la muestra 10 muestras para cada nivel

La hiptesis a contrastar es:

Ho : Las 20 muestras provienen de la misma poblacin

Ha : Alguna proviene de una poblacin diferente a las dems

1.1.2 Clculos y resultados

Todos los clculos necesarios para realizar la prueba se soport en un macro realizado en Microsoft Excel.
Los resultados del macro, as como las hiptesis y las conclusiones obtenidas se ilustran en la Tabla 3.

Tabla 3. Resultados de la Prueba Kruskal-Wallis

Aspecto Valor
Hiptesis Nula Ho Las 20 medias provienen de la misma poblacin

Hiptesis Alternativa Ha Alguna proviene de una poblacin diferente a las dems.

Nivel de significancia = 0.05
H 31.145
20.05.19 30.144

Como H > 0.05.19 entonces existen diferencias entre las medias y, por tanto,
2
Regla de decisin
se rechaza Ho
56 REVISTA Universidad EAFIT. Vol. 44. No. 150 | abril, mayo, junio 2008

Como se puede ver en esta tabla, se descarta

Donde es el rango medio de la muestra i, es
la hiptesis de que las medias son iguales y, en
consecuencia, se concluye que hay diferencia entre decir,
las medias hora-da de la semana. Posteriormente
se procede a buscar dentro dichas diferencias,
1.1.4 Clculos realizados y comparaciones
cuales son semejantes y cuales son diferentes, es
decir, se buscarn grupos semejantes mediante la
mltiples
metodologa de las comparaciones mltiples.
Al igual que para los clculos de la prueba
Kruskal-Wallis en el numeral 1.1.1, las diferencias
1.1.3 Comparaciones mltiples
entre los rangos se ejecutaron en un macro de
Excel. Los respectivos resultados se presentan
Como en la situacin descrita se desestim la
a continuacin, segn los pasos descritos en el
hiptesis acerca de la igualdad de las distribuciones
numeral 1.1.3.
poblacionales, fue necesario realizar contrastes
a posteriori que determinaran o precisaran entre 1.
qu muestras existan las diferencias significativas
que provocaban el rechazo de la hiptesis nula
del contraste de Kruskal-Wallis (Universidad de 2. Z1-a = Z1-0.0001 = Z1-0 = 0.8414
Mlaga, 2004). El procedimiento consisti en los
siguientes pasos:
3.
1. Se determin la cantidad:

2. Se calcul el valor del percentil de la distribucin

N(0.1)Z1-a El siguiente paso consisti en calcular las
diferencias entre (i = 1, 2..., 20 y j = 1, 2...
3. Se determin la cantidad 20) y luego los compararlas con el valor obtenido
ij = 21,78. Si la diferencia de los dos rangos es
mayor a este ltimo valor, se infiere que los rangos
i y j son diferentes y provienen de poblaciones
4. Se tuvo en cuenta el criterio de que existen desiguales. El resumen y los resultados obtenidos
diferencias significativas entre dos poblaciones aparecen en la Tabla 4 (clculo del rango promedio
siempre que: > ij para cada muestra).

Tabla 4. Valores de los rangos promedios para las horas-das de la semana

Da - Hora Rango Prom. Valor Da - Hora Rango Prom. Valor

Lunes I R1 111,9 Mirc. III R11 84,7
Lunes II R2 109.65 Mirc. IV R12 105,3
Lunes III R3 63,85 Jueves I R13 132,55
Lunes IV R4 95,8 Jueves II R14 113,05
Martes I R5 124,2 Jueves III R15 85,7
Martes II R6 85,85 Jueves IV R16 117,35
Martes III R7 81,95 Viernes I R17 114,6
Martes IV R8 107,9 Viernes II R18 102,45
Mircoles I R9 117 Viernes III R19 108,25
Mircoles II R10 64,25 Viernes IV R 20 83,7
 GMEZ J., F. A. | Aplicacin de Teora de Colas en una entidad financiera... 57

Despus de analizar la Tabla 4 y aplicar la regla de decisin, > ij = 21.78, se establecieron dos
grupos que se observan en la Tabla 5, de acuerdo con la tasa de llegada de clientes a la agencia

Tabla 5. Grupos encontrados mediante comparaciones mltiples

Grupo 1 Grupo 2
Lunes I Lunes II Lunes III Martes III
Lunes IV Martes I Martes II Mircoles II
Martes IV Mircoles I Mircoles III Viernes IV
Mircoles IV Jueves I Jueves III
Jueves II Jueves IV
Viernes I Viernes II
Viernes III

De tales resultados se coligi que el comportamiento de llegada de los clientes a la agencia donde se
realiz el estudio provena principalmente de dos poblaciones, es decir, en el transcurso de la semana,
la agencia posee dos comportamientos diferentes en el volumen de llegada de los usuarios. Es claro,
entonces, el predominio de los intervalos II y III en el grupo 2, es decir, entre las 10:00 am y las 4:00 pm, y
el predominio de los intervalos I y IV en el grupo I, entre las 8:00 am y 10:00 am y entre las 5:00 pm y las
7:00 pm.

Con los dos grupos identificados, la tarea a seguir se centra en determinar para cada grupo su distribucin
de probabilidad y la media correspondiente, de modo que se determine los parmetros necesarios para el
modelo de colas. Las pruebas de bondad y ajuste son herramientas estadsticas que ayudarn a cumplir
este objetivo (Montgomery, 1996).

1.2 Prueba bondad y ajuste: distribucin de probabilidad del Grupo 1

Con la idea de examinar la distribucin de los dos grupos que se lograron identificar, en este apartado se
resea una prueba de bondad y ajuste para el Grupo 1. Para este caso se tom una muestra de 130 datos.
El histograma correspondiente se muestra en la Figura 2.

Figura 2. Histograma de frecuencias, Grupo 1

58 REVISTA Universidad EAFIT. Vol. 44. No. 150 | abril, mayo, junio 2008

Como lo expresa la figura, los datos parecen
comportarse como una funcin continua de pro-
babilidad exponencial. Con el objetivo de verificar
esta apreciacin, se llev a cabo una prueba de
bondad y ajuste para la distribucin exponencial.
Se consider como primera hiptesis que los
datos poseen una distribucin exponencial, y
como segunda que los datos no se comportan
de esa forma. La prueba fue realizada con base
en el software StatGraphic y se utiliz un nivel de
significancia igual a 5%.
El valor P = 0.615961, devuelto por Statgraphic,
mayor que nuestro nivel de significancia (0.05),
nos permite aceptar la hiptesis de que los datos
se distribuyen de manera exponencial con una
media de 3.76 minutos.
1.3 Prueba bondad y ajuste: distribucin de
probabilidad del Grupo 2
Aqu se procedi, para el Grupo 2, de la misma
manera que en el numeral anterior. El tamao de
muestra utilizado fue de 50 datos y el histograma
de frecuencias para los datos recolectados del
grupo se aprecia en la Figura 3.

Figura 3. Histograma de frecuencia, Grupo 2

Al igual que en el Grupo 1, el grfico muestra un comportamiento exponencial. La prueba de bondad

y ajuste que se ejecut tom como primera hiptesis la distribucin exponencial de los datos, y como
alternativa que los datos no se distribuyen de manera exponencial con un nivel de significancia del 5%.

Statgraphic devolvi el valor P = 0.13, mayor que 0.05, lo que implica acertada la hiptesis de que los
datos se distribuyen de manera exponencial con una media de 1.69 minutos.

1.4 Tiempo de servicio

Ahora bien, uno de los objetivos del trabajo era verificar el cumplimiento de los supuestos de la teora de
colas; para ello fue necesario realizar una prueba que permitiera inferir sobre la distribucin que presentaba
la variable aleatoria definida por el tiempo que tarda un promotor en atender a un cliente. Para tal efecto,
se observaron en la agencia 80 lapsos de atencin y se les calcul la media: 9,85 minutos. El histograma
que representa la muestra es el de la Figura 4.
 GMEZ J., F. A. | Aplicacin de Teora de Colas en una entidad financiera...
Figura 4. Histograma de frecuencias. Tiempo de servicio
Como el valor P calculado en Statgraphic fue
0.450564, mayor que 0.05, se acepta la hiptesis
de que los datos se distribuyen de manera
exponencial con una media de 9.85 minutos.
2. Aplicacin del Modelo Teora de
Colas
Una vez identificado el comportamiento de la
llegada de los clientes a la agencia, a travs de
las das-horas de la semana, y despus de haber
calculado el tiempo promedio de servicio y su
distribucin de probabilidad, se est en capacidad
de aplicar la herramienta utilizada en el campo
de la Investigacin de Operaciones para realizar
anlisis a las lneas de espera: la teora de colas.
2.1 Teora de colas
Desde el punto de vista de un modelo de espera
o cola, una situacin de lnea de espera se genera
de la manera siguiente: cuando el cliente llega a la
agencia se forma en una lnea de espera o cola; el
promotor elige a una de las personas que esperan
para comenzar a prestar el servicio (sistema
primero en llegar, primero en salir). Al culminar
un servicio, se repite el proceso de llamar a un
nuevo usuario (que espera en la fila). Se supone
que no se pierde tiempo entre el momento en que
un cliente ya atendido sale de la instalacin y la
recepcin de uno nuevo de la lnea de espera.
59
2.1.1 Nomenclatura y definiciones. Caso: 1
fila S servidores
Con el fin de de manejar un lenguaje comn
y facilitar la compresin del anlisis y las con-
clusiones posteriores, es importante aclarar de
manera inicial la nomenclatura que se utiliz para
este tipo de modelo:
: Tasa promedio de llegadas en la unidad de
tiempo
1 / : Tiempo ente llegadas de los clientes
: Tasa promedio de servicio
1 / : Tiempo de servicio
S: Nmero de servidores
Como es de suponerse, la codificacin que se
aplic fue la M/M/S, segn la notacin Kendall
(Hillier & Lieberman,1997), debido a que los
tiempos entre llegada y el lapso de servicio poseen
distribucin exponencial, ya que cada una de las
Tasas de llegada y de servicio poseen distribucin
Poisson. El nmero de canales o servidores, S,
vara entre tres y seis segn la infraestructura de
la agencia.
En el modelo M/M/S, si es la tasa promedio
de servicio para cada uno de los S canales de
servicio, S debe ser mayor que para evitar una
acumulacin indefinida de unidades en espera.
60 REVISTA Universidad EAFIT. Vol. 44. No. 150 | abril, mayo, junio 2008
Para analizar la operacin de colas, con el fin
de hacer recomendaciones sobre el diseo
del sistema, se pueden usar las medidas de
desempeo para un estado estable de lneas
de espera. Por eso, a continuacin se expone la
definicin terica y matemtica de tales medidas
de desempeo:
Lq = nmero esperado de clientes en la fila
Dnde:
y
W = Tiempo estimado de espera en el sistema
Wq = Tiempo estimado de espera en la fila
2.1.2 Aplicativo de Teora de colas
Con el propsito de facilitar el clculo de cada
uno de los valores de inters mostrados en las
ecuaciones de la teora de colas, se realiz un
macro en el programa Microsoft Excel. Este macro
posee las frmulas presentadas en el numeral
anterior y sus variables de entrada son (lambda),
(miu) y S (nmero de servidores). El macro
presenta o tiene como variables de salida los
siguientes parmetros: W (Tiempo promedio en el
sistema) y Wq (Tiempo promedio en Cola).
2.1.3 Modelo de nivel de aceptacin para la
eleccin del nmero ptimo de
promotores
A pesar de que se tiene la capacidad de determinar
el tiempo promedio que un cliente puede esperar
en una fila para un nmero determinado de
promotores en la barra, an se debe responder
dos preguntas importantes: Cunto le cuesta a
la empresa disponer de un nmero elevado de
promotores logrando un tiempo muy pequeo o
nulo de espera de los clientes, sacrificando la
eficiencia de la agencia? y Cunto est dis-
puesto un cliente a esperar en una fila antes de
abandonarla o antes de que cambie su estado de
nimo? El modelo de nivel de aceptacin permite
evaluar estas dos variables de forma que los
clientes esperen un tiempo prudencial sin que la
empresa sacrifique eficiencia en la utilizacin de
sus recursos.
El modelo de nivel de aceptacin reconoce la
dificultad de estimar los parmetros de costo
(debido a que es muy difcil, para la toma de
decisiones, conocer el costo de espera de un
cliente) y, por tanto, est basado en un anlisis ms
directo. Emplea concretamente las caractersticas
de operacin de sistema al decidir sobre los valores
ptimos de los parmetros de diseo (Taha,1995).
En el modelo de servidores mltiples, donde se
requiere determinar el valor ptimo del nmero
S de promotores(servidores), las dos medidas en
conflicto pueden tomarse como:
W = Tiempo promedio de espera en el sistema
X = Porcentaje de tiempo inactivo de los pro-
motores
Estas dos medidas reflejan las aceptaciones del
cliente y del promotor. Se toman y como los
niveles de aceptacin para W y X. Entonces,
el modelo de aceptacin puede expresarse
matemticamente como sigue.
Determinar el nmero S de servidores tal que
W y X
La expresin para W se conoce de los anlisis
realizados en la seccin inmediatamente anterior.
La expresin para X, de eficiencia del sistema,
est dada por:
 GMEZ J., F. A. | Aplicacin de Teora de Colas en una entidad financiera... 61

As que el problema era determinar el nmero de promotores a utilizar para cada uno de los grupos 1 y 2,
de tal suerte que el tiempo de espera de un cliente W no superara los 30 minutos (), tiempo que la entidad
financiera considera como mximo aceptable para la atencin de un usuario desde su entrada a la agencia
hasta que su salida. A su vez, era tambin el deseo que el porcentaje de tiempo X de inactividad de los
empleados no sobrepase el 15% (), valor tambin calculado a partir de poltica de la agencia.

Las Tablas 6 y 7 resumen los valores de W y X para diferentes S con los grupos 1 y 2 respectivamente.

Tabla 6. Valores de W y X para distintos nmeros de promotores, Grupo 1

Grupo 1
S 1 2 3 4 5 6
W (Minutos) 29,76 12,432 10,482 10,02
X (%) 0 0 12,677 34,508 47,606 56,339

Tabla 7. Valores de W y X para distintos nmero de promotores, Grupo 2

Grupo 2
S 1 2 3 4 5 6 7 8
W (Minutos) 63,18 14,544 10,998
X (%) 0 0 0 0 0 2,86 16,737 27,145

Es claro, a partir de los datos de la Tabla 6, que Se tiene como supuesto que los promotores no
para que W se mantenga por debajo de 30 minu- realizan actividades diferentes a la atencin de
tos, la agencia debe utilizar tres promotores. servicios de ahorros y crditos, al menos en el
Por otra parte, el promedio en que lo empleados periodo en que la agencia permanece abierta.
pueden estar ociosos es del 12,67% del tiempo Existen algunas actividades como la verificacin
total, lo cual se logra tambin con tres Servidores. de la informacin del cliente, el recibo de llamadas
Por lo tanto, el nmero ptimo para el Grupo 1 es entre otras diligencias, que hacen que el promotor
de tres promotores. interrumpa el servicio al cliente. En tal sentido,
el tiempo que se ha denominado ocioso suele
Con respecto a la Tabla 7, y aplicando el mismo invertirse para realizar tales acciones adicionales.
criterio del prrafo anterior, se ve que con mnimo
siete promotores se logra el valor ptimo para W,
y con relacin al porcentaje de tiempo ocioso, el
promedio que se puede obtener es el 16,737%
de la jornada completa. (Sobrepasa levemente el
valor estipulado por la empresa del 15%.). As, el
nmero ptimo sera de siete promotores.
62 REVISTA Universidad EAFIT. Vol. 44. No. 150 | abril, mayo, junio 2008

Conclusiones
El planteamiento que se utiliz para el estudio de la lnea de esperas, sirve como plataforma o modelo
para realizar trabajos posteriores que relacionen las mismas variables de entrada y de respuesta.
Tambin, con el objetivo de obtener razones cuantitativas para la toma de decisiones, se puede recurrir
a esta metodologa si se desea llevar a cabo ms adelante una investigacin donde se sospeche que
las caractersticas en el sistema de colas inicialmente encontradas han cambiado.

Los modelos cuantitativos aplicados en este trabajo son muy adecuados como soporte para la toma
de decisiones, ayudando al mejoramiento de los procesos de atencin al cliente. De este modo
se convierten en una va para la obtencin de ventajas competitivas de empresas prestadoras de
servicios, donde el ambiente que rodea la entrega del producto es el que genera el valor agregado
que perciben los clientes.

Las colas que se presentan en el transcurso de los procesos de atencin al usuario, indudablemente,
tienen un modus operandi dependiendo de los das y las horas en que ocurre el evento; es deber
de las empresas, pues, obtener el modelo de dicho comportamiento para adecuar su sistema
de atencin. En caso contrario o si se hace caso omiso a dicho modus operandis, las empresas
desperdiciarn recursos valiosos, disminuyendo la eficiencia global de la empresa. En nuestro
caso, para el grupo 1 se determin que utilizando 3 promotores, en promedio los clientes estarn 30
minutos en promedio desde que entran a la agencia hasta que la abandonan, permitiendo aumentar
la eficiencia de utilizacin de los recursos de la agencia, esto siempre y cuando los supuestos del
modelo permanezcan constantes.

Agradecimientos

Agradecimientos a Confiar Cooperativa Financiera por permitir la realizacin de investigaciones

aplicadas para el mejoramiento de los procesos internos, contribuyendo a la relacin universidad-
empresa en nuestro medio. As mismo a los evaluadores del artculo que contribuyeron
significativamente al mejoramiento del mismo.
 GMEZ J., F. A. | Aplicacin de Teora de Colas en una entidad financiera...
Bibliografa
Correa, Emilia. (1997). Problemas de anlisis
de varianza y estadstica no paramtrica
implementadas en el SAS. Medelln:
Universidad Nacional de Colombia, 71 p.
Daves, Roscoe K. (1986). Modelos cuantitativos
para administracin. Mxico, D.F.: Grupo
Editorial Iberoamrica, 748 p.
Dyner R, Isaac. (1993). Dinmica de sistemas
y simulacin contina en el proceso de
planificacin. Medelln: Colciencias, 160 p.
Hillier, F. S. y Lieberman, G. J. (1997).
Introduccin a la investigacin de Opera-
ciones. (6o ed.). Mxico, D.F.: Mc Graw Hill,
998 p.
Montgomery, D. C. (1996). Probabilidad y
estadstica aplicada a la ingeniera. Mxico,
D.F.: McGraw-hill, 895 p.
_____________ (1991). Diseo y anlisis de
experimentos. Mxico, D.F.: Grupo Editorial
Iberoamrica, 589 p.
63
Ra, Juan Hernando y Restrepo, Alexander
(2000). Estudio del comportamiento tran-
saccional y aplicacin de teora de colas
en una entidad financiera. Tesis de Grado
para optar el ttulo de Ingenierio Industrial.
Universidad Nacional de Colombia, sede
Medelln. 100 p.
Taha, Mandy. (1995). Investigacin de opera-
ciones. (5 ed.). Mxico, D.F.: Alfaomega,
960 p.
Universidad de Mlaga (2004). Versin elec-
trnica del manual de la Universidad de
Mlaga: Biostadstica: Mtodos y Apli-
caciones. Facultad de Medicina. http://ftp.
medprev.uma.es/libro/node157.htm (Consul-
ta Agosto 2004).